/ Модель

Характеристики

Размер весов
414 МБ
Лицензия
MIT
Опубликована
13 ноя 2024

JoyVASA

Видео из изображенияИзображение, текст → видео3 профессии

JoyVASA генерирует анимацию лица и движения головы по аудио для портретов и изображений животных.

760скачиваний за 30 дней39лайковвеса обновлены13 янв 2025

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

JoyVASA — метод генерации аудиоуправляемой анимации лица и движений головы на основе диффузии. В первой стадии система разделяет динамические выражения лица и статичное 3D-представление персонажа. Во второй стадии Diffusion Transformer генерирует последовательность движений по аудио независимо от личности персонажа, после чего генератор строит анимацию по 3D-представлению и этим движениям.

Модель предназначена для анимации портретов и лиц животных; разделение внешности и движений позволяет создавать длинные видео и применять движения к разным персонажам. Для обучения использовались закрытые китайские и общедоступные английские данные, что обеспечивает многоязычную поддержку. Репозиторий использует формат PyTorch и распространяется по лицензии MIT. Авторы отмечают, что дальнейшая работа нужна для повышения скорости до реального времени и более точного управления выражениями.

Сценарии применения

  • анимация портретного изображения по речи
  • генерация движений губ и мимики по аудио
  • создание длинных анимированных роликов с лицом персонажа
  • анимация лиц животных по аудиодорожке

Ограничения

Авторы указывают, что скорость работы пока требует улучшения для реального времени, а управление выражениями лица нуждается в доработке.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Introduction

We propose JoyVASA, a diffusion-based method for generating facial dynamics and head motion in audio-driven facial animation. Specifically, in the first stage, we introduce a decoupled facial representation framework that separates dynamic facial expressions from static 3D facial representations. This decoupling allows the system to generate longer videos by combining any static 3D facial representation with dynamic motion sequences. Then, in the second stage, a diffusion transformer is trained to generate motion sequences directly from audio cues, independent of character identity. Finally, a generator trained in the first stage uses the 3D facial representation and the generated motion sequences as inputs to render high-quality animations. With the decoupled facial representation and the identity-independent motion generation process, JoyVASA extends beyond human portraits to animate animal faces seamlessly. The model is trained on a hybrid dataset of private Chinese and public English data, enabling multilingual support. Experimental results validate the effectiveness of our approach. Future work will focus on improving real-time performance and refining expression control, further expanding the framework’s applications in portrait animation.

Usage

The code can be found at https://github.com/jdh-algo/JoyVASA.

Citation

@misc{cao2024joyvasaportraitanimalimage,
      title={JoyVASA: Portrait and Animal Image Animation with Diffusion-Based Audio-Driven Facial Dynamics and Head Motion Generation}, 
      author={Xuyang Cao and Guoxin Wang and Sheng Shi and Jun Zhao and Yang Yao and Jintao Fei and Minyu Gao},
      year={2024},
      eprint={2411.09209},
      archivePrefix={arXiv},
      primaryClass={cs.CV},
      url={https://arxiv.org/abs/2411.09209}, 
}

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм

Нельзя запустить

Модели «картинка → видео» пока не запускаются.

Ревизия весов
b8f13fe

0 моделей